Рекомендательные алгоритмы постепенно меняют логику работы. Если раньше главным ориентиром была ваша история просмотров, то теперь системы пытаются учитывать контекст: зачем вы открыли приложение, в какой момент дня, с какого устройства. Разбираемся, что за технологии это обеспечивают и почему лента стала работать точнее.
Что вообще произошло с рекомендациями
Еще три-четыре года назад большинство сервисов работали по простой логике: «эти люди похожи на вас, им понравилось вот это — попробуйте тоже». Коллаборативная фильтрация — так называется этот подход — была основой рекомендаций в десятках платформ. Принцип понятный: если вы и еще тысяча человек любите один и тот же сериал, вам, вероятно, зайдет и следующий из их списка.
Работало неплохо, но с двумя оговорками. Первая: система ничего не могла предложить новому пользователю, о котором она пока ничего не знает. Вторая: свежий контент, который еще никто не посмотрел, просто не попадал в рекомендации — у него не было истории взаимодействий.
Потом случился сдвиг. Сначала платформы начали обучать нейросети на поведенческих данных — не только на лайках, а на том, сколько человек смотрел видео, когда выключил, что пролистнул, к чему вернулся. Эти сигналы гораздо информативнее, чем простое «понравилось / не понравилось». Модели научились строить эмбеддинги — векторные представления и пользователей, и контента в одном математическом пространстве, где «близкие» объекты означают совпадение интересов.
Источник: hi-tech.mail.ru